数据分析可以简单分为业务和技术2大方向：
业务方向——数据运营、数据分析师、商业分析、用户研究、增长黑客、数据产品经理等技术方向
数据开发工程师、数据挖掘工程师、数据仓库工程师等业务类岗位的数据分析师大多在业务部门，主要工作是数据提取、支撑各部门相关的报表、监控数据异常和波动，找出问题、输出专题分析报告。
在日常工作中，业务部门往往更关心某个指标的为什么下跌或上升、产品的用户属性是怎样的，如何更好的完成自己的KPI等.在经过了数据提取-数据清洗-多维分析-交叉分析等一系列步骤之后，你发现是某个地区的活跃下跌了，但这并不能作为分析的结论。因为某个地区的活跃下跌只是现象，并不是根本原因。
所以数据分析师要解决的是，为什么这个地区的活跃跌了？是政策因素？还是竞争对手？或者是渠道问题，这些都是需要深入分析的范畴。
找到原因后，数据分析师还需要预测未来的发展趋势，根据目前的分析结果输出可执行的改善策略，最后推动业务部门落地，再次复盘效果，最终形成闭环的分析路径。
对数据分析师而言，解决问题只是一方面，另一方面数据分析师的职责是将业务数据体系化，形成一套指标框架。比如活跃下跌，本质上也是指标问题，如“日活”等指标。技术方向的岗位如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。
与业务方向的数据分析师相比较来说，数据挖掘工程师要求更高的统计学能力及编程技巧。因为数据挖掘工程师对工具的要求比较高，所以数据挖掘的平均薪资也会高于数据分析师。数据分析师岗位技能要求对业务方向的数据分析师而言，掌握工具只是基础，还需要对业务有深入的理解以及较强的数据分析能力。
在工具使用上，数据分析师需要掌握Excel、SQL、PPT、Python等工具。
Excel是日常工作中用到的最多的工具，常用的函数及数据透视表都要学。
SQL是数据分析的核心工具，主要学习Select、聚合函数以及条件查询等内容。
Python重点掌握Panas数据结构、Matplotlib库、Pyecharts库及Numpy数组。关于工具的部分，需要注意不同行业对工具的要求会有差异，比如金融行业会要求SAS等工具。
一般情况下Excel、SQL、PPT、Python这4种工具就能搞定大部分数据分析工作。
除工具的使用外，数据分析师要了解基本的统计学知识及数据分析方法。统计学知识：环比、同比、概率分布、变量、抽样等。数据分析方法：假设检验、回归分析、漏斗分析、多维分析、对比分析等。针对0基础的小伙伴，建议大家先将精力放在数据分析的思路和训练上，多去看一些商业数据模型和数据分析案例的资料，最终形成自己的分析思路。千万不要一上来就啃Python，可以先上手Exce+SQL这2个简单的数据分析工具来入门。有SQL基础后再学Python会相对容易些。
二、数据分析的就业前景！
给大家分享一下数据分析师不同职位的成长路径数据分析师的成长路径
NO.1专业能力成长路径：助理数据分析师－数据分析师－资深数据分析师－高级数据分析师
No.2行政职位晋升路径：数据分析专员－数据分析主管－数据分析经理－数据分析总监
No.3主要专业技能要求：数据库知识（SQL）、基本的统计分析知识、熟练掌握Excel，了解SPSS/SAS，良好的PPT展示能力。很多小伙伴也会担心数据分析的工作会逐渐被AI取代，大家不用担心的，之后可能一些重复性的“体力活”，比如取数，会被AI取代，但是如果你选择在一个垂直的行业以及岗位深耕并且积累的业务经验是不能被取代的。
接下来分享一下不同的公司对于数据分析的岗位需求第一类：互联网公司，互联网公司的特征就是用户至上，我们要知道用户喜欢什么，他的需求是什么，所以在互联网公司中，对于数据的需求有三点①用户洞察 ②数据提取 ③实时数据分析所以在这里主要的工作内容可能包括：从MySQL数据库中提取数据，成为Excel数据透视表的高手以及生成最基本的数据可视化（如线和条形图）。偶尔分析一下A/ B测试的结果，这样的公司可以为你创造一个尝试新事物和扩大新技能的环境。需求职位：统计分析员、
数据分析师第二类：BAT等数据平台企业，大厂的特征就是我们就是数据，数据就是我们,所以他们的需求就是可以生产大数据驱动的产品和机器学习方向还有公司，他们的数据（或他们的数据分析平台）就是他们的产品。
在这种情况下，数据分析或机器学习的任务就会非常繁重。能对一个有正式的数学，统计学或物理学背景并希望继续走一条更学术的道路的人来说是更理想的环境。这一类的公司可能是面向消费者的拥有海量数据的公司或者以提供数据为基础的服务的公司。
数据平台类企业的需求职位：大数据工程师、数据分析师、数据挖掘工程师第三类：其他数据驱动的非数据公司，这些公司是通过数据分析优化产品，提升产品竞争力，他们所需要的是数据处理、数据分析、数据可视化。很多公司都属于这一类，面试的公司关心数据，但可能不是一个数据公司。因此，进行数据分析，了解产品代码，将数据可视化等等，这些能力是同等重要的。
一般来说，这些公司要么寻求通才，要么寻找一个能填补他们团队空缺的专才，比如数据可视化或机器学习方面的。面试这一类的公司的时候，比较重要的技能是熟悉“大数据”的专用工具如：Hive/ Pig，以及有处理杂乱无章的真实数据集的经验。
三、数据分析和数据挖掘的区别！其实两个岗位只是方向不同，但是不能说那个含金量多哪个含金量少，最终还是需要看个人的喜好和偏向。
简单概括下这两个职位的特点：数据分析：主要是业务线，负责通过数据分析手段发现和分析业务问题，为决策作支持（数据分析师主要支持业务相信大家都听烂了）。
数据挖掘：主要是技术线，负责通过建立模型、算法、预测等提供一些通用的解决方案，当然也有针对某业务的。很多人会对这个比较感兴趣，也是选择岗位的因素之一。
今天在这里想跟大家分享，其实最终还是要看你比较喜欢哪个方向，至于应届毕业生或者刚工作1-3年想转行以及跳槽的人，如果选择入职这俩个岗位，初期的薪资其实两个差距并不大，最终自己的价值和薪资还是要看你在这个岗位或者行业的耕耘以及自己的职业生涯的规划。
